... bem como aprendizado profundo baseado em computação em nuvem e modelagem acústica
Para cultivar tecidos de órgãos a partir de células em laboratório, os pesquisadores precisam de uma maneira não invasiva de manter as células em um só lugar. Uma abordagem promissora é a estruturação acústica, que envolve o uso de energia acústica para posicionar e manter as células na posição desejada à medida que se desenvolvem no tecido. Ao aplicar ondas acústicas a dispositivos microfluídicos, os pesquisadores transformaram células em escala mícron em padrões simples, como linhas retas e grades.
Meus colegas e eu desenvolvemos uma abordagem combinada para aprendizado profundo e modelagem numérica que nos permite organizar as células em circuitos muito mais complexos de nossa própria arquitetura. Economizamos semanas de esforço realizando todo o fluxo de trabalho no MATLAB e usando a computação paralela para acelerar etapas importantes, como gerar o conjunto de dados de treinamento do nosso simulador e treinar a rede neural de aprendizado profundo.
Modelagem acústica com microcanais
Em um dispositivo microfluídico, partículas de fluido e partículas ou células de origem fluida são acionadas em microcanais de tamanho submilímetro, que podem ser formados em várias formas. Para criar padrões acústicos dentro desses microcanais, um transdutor interdigital (IDT) gera uma onda acústica de superfície (SAW) direcionada para a parede do canal (Fig.1a). No líquido dentro do canal, as ondas acústicas criam uma pressão mínima e máxima, que é igual à pressão da parede do canal (Fig. 1b). Portanto, a forma das paredes do canal pode ser ajustada de tal forma que forneça determinados campos acústicos no canal [1] (Fig. 1c). Os campos acústicos distribuem partículas dentro do fluido em padrões que correspondem aos locais onde as forças dessas ondas acústicas são minimizadas (Figura 1d).
Figura 1 - Estruturação acústica em microcanais
Embora seja possível calcular o campo acústico que resultará de um formato de canal específico, o oposto não é possível: projetar o formato do canal para criar a área desejada não é uma tarefa trivial para nada, mas não para padrões simples como uma grade. Visto que o espaço da solução é virtualmente ilimitado, as abordagens analíticas são inaplicáveis.
O novo fluxo de trabalho usa uma grande coleção de resultados simulados (formulários aleatórios) e aprendizado profundo para superar essa limitação. Meus colegas e eu resolvemos um problema direto pela primeira vez, simulando campos de pressão de formas conhecidas no MATLAB. Em seguida, usamos os resultados para treinar uma rede neural profunda para resolver o problema inverso: determinar a forma do microcanal necessária para criar o campo acústico desejado.
Resolvendo o problema direto: modelando campos de pressão
Em trabalho anterior, nossa equipe desenvolveu um mecanismo de simulação em MATLAB que resolve o problema de determinar a região de pressão para uma dada geometria de canal usando o princípio de Huygens-Fresnel, que assume que qualquer ponto em uma onda plana é uma fonte pontual de ondas esféricas (Fig. 2).
Figura 2 - O campo de pressão acústica criado para uma geometria de canal específica
O mecanismo de simulação depende de várias operações de matriz. Como essas operações são realizadas no MATLAB, cada simulação leva uma fração de segundo, e precisamos modelar dezenas de milhares de formas exclusivas e suas regiões de pressão 2D correspondentes. Aceleramos esse processo executando simulações em paralelo em uma estação de trabalho com vários núcleos usando o Parallel Computing Toolbox.
Assim que obtivemos os dados de que precisávamos, eles foram usados para treinar a rede de aprendizado profundo para inferir a forma do canal de uma determinada área de pressão, essencialmente invertendo a ordem de entrada e saída.
Treine a rede neural de aprendizagem profunda para resolver o problema inverso
Primeiro, para acelerar o processo de treinamento, um valor limite foi determinado na área de pressão simulada. Como resultado, matrizes booleanas bidimensionais 151 x 151 foram criadas, as quais transformamos ("achatadas") em um vetor unidimensional, por sua vez, se tornariam uma entrada para a rede de aprendizagem profunda. Para minimizar o número de neurônios de saída, usamos a representação do coeficiente de Fourier, que capturou o contorno da forma do canal (Fig. 3).
Figura 3 - Aproximação da série de Fourier de um triângulo equilátero girado em 20 graus com coeficientes (da esquerda para a direita) 20, 3, 10 e 20
Construímos a rede original usando o aplicativo Deep Network Designer e a melhoramos programaticamente para equilibrar precisão, versatilidade e velocidade de aprendizagem ( fig. 4). Treinamos a rede usando um solucionador de estimativa de torque adaptável (otimizador ADAM) em uma GPU NVIDIA Titan RTX.
Figura 4 - Rede neural totalmente conectada com quatro camadas ocultas
Verificando resultados
Para validar a rede treinada, nós a usamos para derivar a geometria do canal de um determinado campo de pressão e, em seguida, usamos essa geometria como entrada para o mecanismo de simulação para reconstruir o campo de pressão. Em seguida, comparamos os campos de pressão original e criado. As pressões mínima e máxima dentro dos dois campos estão próximas uma da outra (Fig. 5).
Figura 5 - Fluxo de trabalho de validação de rede de aprendizagem profunda
Em seguida, executamos uma série de testes reais. Para indicar as áreas nas quais queríamos coletar as partículas, pintamos imagens especializadas usando o Microsoft Paint. Eles continham muitas imagens diferentes, únicas e multilinhas, que seriam difíceis de obter sem nosso método. A rede treinada foi então usada para definir a geometria dos canais necessários para criar essas áreas definidas. Finalmente, com a ajuda de nossos parceiros, fabricamos uma gama de dispositivos microfluídicos com base na geometria pretendida. Cada um desses dispositivos foi então injetado com partículas de poliestireno de 1 μm suspensas em um líquido nos canais formados e um surfactante foi induzido no dispositivo. Os resultados mostraram agregação de partículas ao longo das regiões indicadas em nossas imagens especializadas (Fig. 6).
Figura 6 - Parte inferior: Áreas desenhadas no Microsoft Paint (roxo) são sobrepostas no campo acústico simulado necessário para a agregação de partículas nessas áreas; topo: o resultado é uma amostra de partículas de poliestireno suspensas em um dispositivo microfluídico fabricado
Indo para a nuvem
Em antecipação à próxima fase deste projeto, estamos atualizando nossa rede de aprendizado profundo para usar imagens de campo acústico como entradas e gerar imagens de formato de canal como saídas, em vez de usar vetor esmagado e coeficientes de Fourier, respectivamente. A esperança é que essa mudança nos permita usar formas de canal que não são fáceis de determinar com a série de Fourier e que podem mudar com o tempo. No entanto, o treinamento exigirá um conjunto de dados muito maior, uma arquitetura de rede mais complexa e significativamente mais recursos computacionais. Como resultado, transferimos a rede e seus dados de treinamento para a nuvem.
Felizmente, o MathWorks Cloud Center oferece uma plataforma conveniente para ativar e desativar instâncias de nuvem HPC rapidamente. Um dos aspectos mais tediosos de fazer pesquisas científicas na nuvem é a interoperabilidade, que envolve mover nossos algoritmos e dados entre a nuvem e nossa máquina local. O MATLAB Parallel Server abstrai os aspectos mais complexos da computação em nuvem, permitindo que executemos localmente ou na nuvem com apenas alguns cliques no menu. Essa facilidade de uso nos permite focar no problema científico, em vez das ferramentas necessárias para resolvê-lo.
Usando MATLAB com instâncias de Amazon Web Services com GPU NVIDIA, planejamos treinar a rede atualizada em dados armazenados em buckets do Amazon S3. Podemos então usar a rede treinada em estações de trabalho locais para tirar conclusões (que não requerem computação de alto desempenho) e experimentar diferentes padrões e campos acústicos. Este trabalho nos fornecerá dados de entrada para outros projetos de aprendizado de máquina usando física.
Se você quiser saber mais sobre aprendizado profundo e de máquina, passe por nós para o curso apropriado, será difícil, mas emocionante. E o código promocional HABR o ajudará em sua busca por aprender coisas novas , adicionando 10% ao desconto no banner.
- Curso de Aprendizado de Máquina
- Curso avançado "Machine Learning Pro + Deep Learning"
- Data Science
- Data Analyst